AI
AI
Deep Learning, ML, LLM
Deep Learning
13-1. 딥러닝 Explainability (설명가능성): 중요성과 필요성
딥러닝 모델의 Explainability (설명가능성)의 중요성과 필요성을 설명하고, 윤리적인 문제와 사회적 영향을 논합니다.
Deep Learning
7-5. Transformer 기반 번역 모델 실습: Seq2Seq 모델과 비교
Transformer 기반 번역 모델을 직접 구현하고, 기존 Seq2Seq 모델과의 성능을 비교 분석하는 실습 과정을 상세히 설명합니다.
AI Study Note
1. Neuro Computer
Neuro Computer 개요
Deep Learning
11-2. Object Detection 모델: YOLO, SSD, Faster R-CNN 비교 분석
YOLO, SSD, Faster R-CNN 등 대표적인 Object Detection 모델의 특징과 성능을 비교 분석합니다.
Deep Learning
1-2. 머신러닝 기초: 데이터, 모델, 학습의 이해
머신러닝의 핵심 구성요소인 데이터, 모델, 학습 과정을 이해하고, 딥러닝 학습을 위한 기초를 다집니다.
Deep Learning
11-4. Instance Segmentation: 객체별 분할
Instance Segmentation의 개념과 Semantic Segmentation과의 차이점을 설명하고, 객체별 분할 방법을 제시합니다.
Deep Learning
9-2. 배치 정규화 (Batch Normalization): 학습 속도 및 성능 향상
배치 정규화의 원리와 효과를 설명하고, 딥러닝 모델의 학습 속도 및 성능 향상에 기여하는 바를 분석합니다.
Deep Learning
8-5. StyleGAN: 고품질 이미지 생성 모델
StyleGAN의 특징과 구조를 설명하고, 이미지 생성 품질을 향상시키는 기술적 요소들을 분석합니다.
Deep Learning
11-5. Object Detection 실습: YOLO 모델 구현 및 학습
YOLO 모델을 직접 구현하고, 객체 탐지 문제를 해결하는 실습 과정을 상세히 설명합니다.
Deep Learning
11-6. Evaluation Metrics for Object Detection
Object Detection 모델의 성능을 평가하기 위한 다양한 지표 (Precision, Recall, mAP 등)를 설명하고, 각 지표의 의미와 계산 방법을 자세히 다룹니다.
Deep Learning
5-7. CNN 시각화 (Visualization): Feature Map, Grad-CAM
CNN 모델의 내부 동작을 이해하기 위한 시각화 기법 (Feature Map, Grad-CAM 등)을 소개하고, 시각화를 통해 모델의 예측 근거를 파악하는 방법을 설명합니다.
Deep Learning
8-2. Variational Autoencoder (VAE): 확률 모델 기반의 생성 모델
VAE의 구조와 작동 원리를 상세히 설명하고, 잠재 공간을 활용한 데이터 생성 방법을 제시합니다.
